基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

改进的基于遗传模糊C均值聚类的图像分割算法

模糊C均值（Fuzzy C-Means,FCM）聚类算法已广泛应用于图像分割领域,其本质是一种局部搜索算法,采用迭代爬山算法寻找最优解,对初始聚类中心敏感,很容易陷入局部极优值,且没有考虑图像的空间邻域信息,对噪声敏感。本文提出了改进的基于遗传模糊聚类的图像分割算法,利用遗传算法的全局寻优能力来克服FCM算法容易陷入局部极优值问题;并在FCM算法的目标函数中添加空间邻域信息来约束隶属度函数从而提高对噪声的鲁棒性,使分割更加符合期望。实验结果表明本文算法的有效性,图像分割时具有较强的抗噪能力和较好的分割效果。     

结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

基于核函数及空间邻域信息的FCM图像分割新算法

针对传统FCM算法在进行图像分割时对噪声敏感的问题,提出一种新的基于核函数及空间邻域信息的FCM图像分割算法。该算法根据像素间灰度值的差异程度,将空间信息引入传统的FCM算法,建立新的包含邻域信息的隶属度迭代函数,实现图像的分割。同时,算法还引入核函数,用内核诱导距离代替了传统FCM算法中的欧式距离,对输入图像的样本特征进行优化。实验结果表明,本文算法能够获得较好的分割效果,同时具有较强的抑制噪声的能力。     

显著信息引导的直觉空间模糊聚类图像分割

为克服直觉模糊C-均值(IFCM)聚类算法应用于图像分割时,易受噪声影响,且对聚类中心初始值敏感的缺陷,给出显著信息引导的直觉空间模糊聚类图像分割方法。使用图像的显著信息初始化聚类中心,能够很大程度地防止算法陷入局部最优;将改进的融合局部空间信息的模糊因子引入到IFCM聚类算法中,可提升算法的抗噪性能。实验结果表明所给方法能在多种含噪声图像上得到较好的分割效果。     

相对熵模糊C均值聚类分割算法

针对模糊C均值聚类分割算法无法获得复杂图像的细节信息问题,提出一种相对熵模糊C均值聚类分割算法。该算法利用划分隶属度构造相对熵,对传统模糊C均值聚类进行正则化约束,将其作为正则化因子添加到传统FCM的目标函数,得到新的聚类目标函数。通过拉格朗日乘子最优化推导,得到新的隶属度和聚类中心的迭代更新表达式。实验结果表明,该算法对于图像与背景灰度相近的复杂图像可以清晰的分割出图像的轮廓,也比FCM方法获得更多的图像细节信息。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值（FCM：FuzzyC—Means）聚类算法应用于图像分割时,因对噪声较敏感而达不到理想的分割效果。为此,提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数,提高对图像噪声的鲁棒性,使分割的结果更加符合期望。实验结果表明,该算法对噪声具有较强的抑制能力,图像分割时能获得较好的分割效果。     

一种改进的模糊聚类图像分割算法

为了提高强噪声污染图像分割的鲁棒性,给出一种改进的非局部模糊聚类图像分割算法。改进算法将模糊因子的局部邻域值替换为非局部均值滤波图像的像素值,并加入局部空间信息,产生新的目标函数。借助拉格朗日乘子法,从最小化目标函数得出隶属度和聚类中心的迭代公式,进而完成图像分割。对合成图像、医学图像和自然图像添加高斯噪声、莱斯噪声和椒盐噪声,用于分割测试,结果显示,改进算法对强噪声图像具有更高的正确分割率和较小的模糊性。     

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

一种改进的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法中,聚类效果往往受到聚类数目和初始聚类中心的影响这一问题,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数法来获得初始聚类中心.实验结果表明,改进后的算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少,收敛速度快.     

FCM聚类算法的改进

模糊C均值（FCM）算法广泛地应用于模式识别、图像分割等领域。根据FCM算法存在对初始解敏感且迭代过程中计算量大的问题,本文提出了一种改进的算法：先通过精简数据集,减少算法迭代的时间;再使用密度函数法得到FCM算法的初始聚类中心,以减少FCM算法收敛所需的迭代次数。实验结果表明,改进后的算法较好地解决了类中心的初值化问题,提高了算法的收敛速度和运行效率。     

谱聚类图像分割算法研究

针对谱聚类算法对图像分割效果差强人意的特点,研究了一种改进的Nystrm算法进行谱聚类图像分割,使谱聚类算法应用于图像分割的效果有所改善。该算法首先对图像进行预处理,变换图像的分布数据空间,再分别计算对选定样本空间的数据间以及样本与其他空间的数据间的距离矩阵,并转化为相似矩阵;然后对相似矩阵正交化并且特征分解,进行K-Means聚类;最后将聚类结果进行后期处理。通过实验验证了该算法的有效性。     

基于混沌粒子群和模糊聚类的图像分割算法研究

针对模糊C-均值聚类算法受初始聚类中心和隶属度矩阵的影响,易陷入局部最优解,以至于得不到最佳聚类结果等问题,提出了一种新的基于混沌粒子群的模糊C-均值聚类的图像分割算法。该算法采用逻辑自映射函数初始化均匀分布的粒子群,当算法陷入早熟收敛时进行混沌优化,以改善因粒子停滞而收敛到局部最优解的能力。实验结果表明,该算法具有更快的分割速度和更高的分割精度。     

一种改进的快速FCM图像分割算法

FCM算法对图像的模糊特征具有较强的鲁棒性,在图像分割方面得到了广泛应用。但FCM算法采用随机初始化聚类中心的方法,使算法在迭代次数上有一定的不确定性。为提高FCM算法的运算效率,提出一种基于确定初始聚类中心的快速FCM图像分割算法。用最大类间方差法多次划分图像的灰度区间,根据区间中像素点的灰度值来初始化聚类中心,以使其尽可能的接近最终分割的聚类中心,减少算法的迭代次数。实验结果表明,与传统的FCM算法相比较,改进后的算法可以通过较少的迭代次数及运算时间分割图像。且该算法可以应用于诸多采取随机初始化聚类中心的FCM相关的算法中,以提高算法的运算效率。     

一种基于光照补偿和模糊聚类的图像分割方法

针对受到光照不均匀影响的图片在直接进行阈值分割造成的错分割问题,提出在分割前对图像进行光照补偿的预处理,从原图中分离出光照不均匀平面矩阵,从而降低光照不均匀对阈值分割造成的不利影响.在分割过程中采用模糊聚类算法,提高了图像分割的有效性.